Per quanto riguarda l'esercitazione relativa alla radiazione, i dati che sono stati utilizzati sono riferiti alla regioni della Valpolicella e di Collio, regioni dedicate alla coltivazione della vite per la produzione di vino.
Nell'immagine seguente viene mostrato la regione della Valpolicella.
from IPython.display import Image
import os
oms_project_path = os.path.dirname(os.getcwd())
Image(oms_project_path+"/Images/valpolicella-map.jpg")
Nell'immagine seguente viene mostrato la regione della Collio.
from IPython.display import Image
import os
oms_project_path = os.path.dirname(os.getcwd())
Image(oms_project_path+"/Images/collio-map.jpg")
La radiazione ad onda lunga (1-100 μm) è un'importante componente del bilancio di radiazione sulla Terra che influenza numerosi fenomeni come l'evapotraspirazione, lo scioglimento della neve, l'evoluzione dei ghiacciai , la dinamica della vegetazione, la respirazione delle piante e la produttività primaria.
Molti modelli semplificati hanno proposto in modo da poter modellizzare $L_{\downarrow}$ e $L_{\uparrow}$ usando facilmente le osservazioni meteoreologiche disponibili come: la temperatura, l'umidità relativa, la radiazione solare e la copertura delle nuvole.
La formulazione di $L_{\uparrow}$ $[Wm^{−2}]$ e di $L_{\downarrow}$ $[Wm^{−2}]$ sono basati su equazione di Stefan-Boltzmann:
\begin{equation} \Large\ L_{\downarrow} = \epsilon_{all-sky} · \sigma · T_{a}^{4} \\ \Large\ L_{\uparrow}= \epsilon_{s} · \sigma · T_{s}^{4} \end{equation} where:
In modo da poter aumentare il valore di $L_{\downarrow}$ in condizioni di nubi, l'equazione diventa come segue: \begin{equation} \Large\ \epsilon_{all−sky} = \epsilon_{clear} \cdot (1 + a \cdot c^{b}) \end{equation} where:
Esistono 10 formulazioni dalla letteratura per i valori di $\epsilon_{clear}$.
La lista completa di parametrizzazioni viene presentata nella Tabella 1 dove viene specificato: il numero delal componente, il nome della componente, l'equazione che lo definisce, il riferimento al foglio dal quale derivano X, Y e Z.
La parametrizzazione scelta è Idso, #6
Image(oms_project_path+"/Images/lwrb1.png")
Image(oms_project_path+"/Images/lwrb2.png")
La formulazione di $L_{\uparrow}$ necessità del valore di emissività del suolo, il quale è un valore tipico della natura e della temperatura della superficie.
Nella tabella 3 vengono mostrati i valori di emissività dei suoli- per diversi tipi di suoli. Il valore di $\epsilon_{s}$ varia da un valore minimo di 0.95 adun valore massimo di 0.99.
Ipotizziamo che il suolo sia caratterizzato da una superficie erbosa, perciò il valore di emissività associato corrisponde a: 0.98
Image(oms_project_path+"/Images/lwrb3.png")
Le onde corte incidenti (S) su una superficie arbitraria in condizioni di cielo privo di copertura nuvolosa può essere calcolata come segue:
\begin{equation} \Large\ S_{\downarrow} = C_{1}\cdot I_{sc} \cdot E_{0} \cdot cos(\theta_{s} ) \cdot (T_{s} + \beta_{s} ) \cdot \psi \end{equation} in which:
La modellazione della componente della radiazione solazione diffusa, $d_{\downarrow}$ , viene calcolata come segue: \begin{equation} \Large\ d_{\downarrow} = (d_{\downarrow r} + d_{\downarrow a} + d_{\downarrow m} ) · V_{s} , \end{equation}
dove $d_{\downarrow r}, d_{\downarrow a}$ e $d_{\downarrow m}$ sono le componenti di irradianza diffusa dopo il primo passo attraverso l'atmosfera a seguito della presenza di aereosol e della riflessione multipla.
Infine $V_{s}$ è il view_factor, ovvero consiste nella frazione di cielo visibile nel punto preso in analisi, calcolata con l'algoritmo di Corripio (2002).
La radiazione netta è un bilancio tra la radiazione in entrata e la radiazione in uscita in un punto specifico della superficie della Terra, è spesso diviso in onde corte e in onde lunghe.
$$\Large\ Rn=(1-\alpha)(Rs+d)+Rl_d-Rl_u $$
Valpolicella Temperatura dell'aria $[°C]$
os.chdir(oms_project_path + '/data/Vite_Valpolicella/1')
#os.listdir()
import pandas as pd
import plotly.express as px
df2 = pd.read_csv('airT_1.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
df2.columns = ['Tempo','Temperatura \n [°C]']
fig = px.line(df2, x='Tempo', y='Temperatura \n [°C]', title='Temperature mese di Luglio Valpolicella')
fig.update_traces(line_color='red')
fig.show()
Collio Temperatura dell'aria $[°C]$
os.chdir(oms_project_path + '/data/Vite_Collio/1')
#os.listdir()
import pandas as pd
import plotly.express as px
df2 = pd.read_csv('airT_1.csv',skiprows=6, sep=',', parse_dates=[0], na_values=-9999,usecols=[1,2])
df2.columns = ['Tempo','Temperatura \n [°C]']
fig = px.line(df2, x='Tempo', y='Temperatura \n [°C]', title='Temperature mese di Luglio Collio')
fig.update_traces(line_color='red')
fig.show()